学习解码: 通过自监督 oracle 轨迹简化符号表达式
高能物理 - 理论
2026-04-14 v2 机器学习
符号计算
高能物理 - 唯象学
摘要
我们提出了一种新的自监督机器学习方法，用于符号表达式的简化。训练数据通过扰乱简单表达式并记录逆操作来生成，创建提供目标状态和到达它们的显式路径的 oracle 轨迹。然后，在此数据上训练一个具有置换等效性的变换器策略网络，以逐步预测给定输入表达式的 oracle action。我们在两个高能物理问题上演示了这一方法：二元对数化简和旋量-极化子散射�幅简化。在这两种情况下，我们的训练策略网络在广泛的难度水平上实现了接近完美的求解率，显著优于基于强化学习和端到端回归的先前方法。当结合对比性分组和束搜索时，我们的模型在包含超过200个初始项的Yang-Mills 理论中，实现了对代表性5点 gluon 树级振幅的100%完全简化率。
引用
@article{arxiv.2603.11164,
title = {Learning to Unscramble: Simplifying Symbolic Expressions via Self-Supervised Oracle Trajectories},
author = {David Shih},
journal= {arXiv preprint arXiv:2603.11164},
year = {2026}
}
备注
14 pages, 6 figures, 2 tables; work done in collaboration with Claude Code; v2: refs added